Detecção de erros em modelos dinâmicos de sistemas elétricos de potência utilizando algoritmos de aprendizado de máquina para classificação

Abstract

As ferramentas de simulação dinâmica em Sistemas Elétricos de Potência (SEP) são de extrema importância para realização de estudos para operação e planejamento. A confiabilidade dos resultados é intrinsecamente relacionada à qualidade dos Modelos Físicos empregados, e um dos principais problemas que podem ocorrer é a utilização de parâmetros incorretos. Com base nisto, este trabalho propõe uma metodologia para identificação de erros em parâmetros em Modelos Físicos, com abordagem de Validação Sistêmica. Para atingir este objetivo, é utilizado Aprendizado de Máquina Supervisionado para Classificação. Enquanto a escolha da abordagem de Validação Sistêmica se deva à capacidade de avaliar modelos no contexto do SEP completo, a escolha do uso de Aprendizado de Máquina é apropriado porque emula análises próximas àquelas realizadas por um especialista humano, com a vantagem de processar, comparar e classificar uma quantidade muito maior de dados e em menor tempo. A partir da geração de casos utilizando o software ANATEM (Análise de Transitórios Eletromecânicos), foram criadas duas bases de dados para o treinamento posterior teste dos modelos de Aprendizado de Máquina, um contendo erros e o outro sem nenhum tipo de erro de parâmetros. Com etapas adequadas de processamento de dados, como filtragem de sinais e redução de dimensionalidade, além de abordagem estatística para escolha do melhor modelo de classificador, experimentos em um sistema fictício de 68 barras demonstram que a aplicação da nova técnica permite não apenas verificar erros em parâmetros de Modelos Físicos com grande precisão, mas também identificar quais deles estão incorretos e em qual região do SEP ocorrem os problemas. A metodologia permite complementar também técnicas já presentes na literatura, como uma etapa inicial na seleção dos equipamentos ou subsistemas que necessitam de atenção, especialmente em SEP de grande porte.

Abstract: Dynamic simulation tools in Electrical Power Systems (EPS) are of most importance for conducting studies on operation and planning. The reliability of the results is intrinsically related to the quality of the Physical-Based Models (PBMs) employed, and one of the main issues that may occur is the use of incorrect parameters. Based on this, the present work proposes a methodology for identifying parameter errors in PBMs, using a Systemic Validation approach. To achieve this goal, Supervised Machine Learning for Classification is employed. While the choice of a Systemic Validation approach is due to its ability to evaluate models in the context of the complete EPS, the use of Machine Learning is appropriate because it emulates analyses similar to those carried out by a human expert, with the advantage of processing, comparing, and classifying a much larger amount of data in less time. From the generation of cases using the ANATEM software (Analysis of Electromechanical Transients), two datasets were created for the subsequent training and tests of the Machine Learning models: one containing errors and the other without any type of parameter errors. With appropriate data processing steps, such as signal filtering and dimensionality reduction, in addition to a statistical approach for selecting the best classifier model, experiments on a fictitious 68-bus system demonstrate that the application of the new technique not only allows verifying parameter errors in PBMs with high accuracy, but also identifying which of them are incorrect and in which region of the EPS the problems occur. The methodology also complements techniques already present in the literature, serving as an initial step in selecting the equipment or subsystems that require attention, especially in large-scale EPS.